Yazar "Acar, Emrullah" seçeneğine göre listele
Listeleniyor 1 - 20 / 21
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Automatic determination of different soil types via several machine learning algorithms employing radarsat-2 SAR image polarization coefficients(Springer, 2022) Acar, Emrullah; Özerdem, Mehmet Siraç; 0000-0002-1897-9830; 0000-0002-9368-8902Synthetic aperture radar (SAR), which is one of the most popular remote sensing technologies, has been extensively employed for classification of various soil types, soil texture description, and its mapping. Determining the soil type is useful for rural and urban management. In the current study, several machine learning algorithms, which consist of the K-Nearest Neighbor (K-NN), Extreme Learning Machine (ELM), and Naive Bayes (NB), have been recommended by utilizing Radarsat-2 SAR data. A pilot region in the city of Diyarbakir, Turkey that spreads among 370 46’- 380 04’ N latitudes and 400 04’- 400 26’E longitudes was employed, and nearly, 156 soil samples were collected for classification of two soil types (Clayey and Clayey+Loamy). After that, four different Radarsat-2 SAR image polarization coefficients were computed for each soil sample, and these coefficients were utilized as inputs in the classification stage. Finally, the results showed that an overall accuracy of 91.1% with K-NN, 82.0% with ELM, and 85.2% with NB algorithm was computed for the classification of two soil types.Öğe Automatic Identification of Adenoid Hypertrophy via Ensemble Deep Learning Models Employing X-ray Adenoid Images(Springer, 2025) Orenc, Sedat; Acar, Emrullah; Ozerdem, Mehmet Sirac; Sahin, Sefer; Kaya, AbdullahAdenoid hypertrophy, characterized by the abnormal enlargement of adenoid tissue, is a condition that can cause significant breathing and sleep disturbances, particularly in children. Accurate diagnosis of adenoid hypertrophy is critical, yet traditional methods, such as imaging and manual interpretation, are prone to errors. This study uses an ensemble deep learning-based approach for adenoid classification. It utilizes a unique dataset sourced from Batman Training and Research Hospital. The dataset is composed of masked and non-masked X-ray images. It is used to train and compare the performance of multiple convolutional neural network (CNN) models. By comparing classification accuracy between masked and non-masked datasets, the study reveals the importance of image preprocessing. Six deep learning models-EfficientNet, MobileNet, ResNet50, ResNet152, VGG16, and Xception-are tested, with ResNet50 achieving the highest accuracy (100% on masked images), while Xception performs the worst (65% F1-score). The results indicate that masking significantly enhances the accuracy and reliability of adenoid classification. ResNet50 and EfficientNet show strong generalization capabilities. Conversely, the lower performance of models like Xception highlights the variability in model suitability for this task. This research provides valuable insights into optimizing deep learning models for medical image classification and it advances the field of AI-based adenoid detection.Öğe CLASSIFICATION OF AGRESSIVE ACTION EMG SIGNALS BY AR BASED K-NN METHOD(Ieee, 2014) Acar, Emrullah; Ozerdem, Mehmet SiracThe fields of EMG signal processing technology has been effective in the application of prosthetic control and clinical medicine or sport science. The main purpose of this study is to classify two aggressive action EMG signals which are taken from different people, according to their texture feature vectors. The physical action EMG set is derived from UCI database. The power spectral density (PSD) estimation of EMG signals is calculated by using AR Burg Method. The texture feature vectors of EMG signals are extracted by applying statistical methods to PSD maps of each signal PSD based feature vectors are given to different type of k-NN classifier as inputs and the performance results of each system are compared. Finally, the best average performance is observed as 97.92 % in k=7, 9 and 10 neighbors structure of k-NN classifier.Öğe Comparison of NDVI and RVI Vegetation Indices Using Satellite Images(Ieee, 2019) Gonenc, Abdurrahman; Ozerdem, Mehmet Sirac; Acar, EmrullahRemote Sensing is the acquisition of information about its physical properties without direct contact with an object. This information is obtained through sensors. These sensors do not come into contact with objects. There are two different systems for remote sensing. These are Active and Passive Sensor Systems. Passive Sensor Systems measure the energy of the rays reflected from the objects by the rays sent by the sun. On the other hand, Active Sensor Systems measure the energy reflected from the objects by transmitting their rays to the object. Passive Sensor Systems can be shown as an example of optical sensor systems. The Landsat-8 satellite works with an optical sensor system. Synthetic Aperture Radar (SAR) systems are examples of active sensor systems. SAR systems have a wide range of usage in all weather conditions and they are a radar system that displays the earth in high resolution. Radarsat-2 satellite has SAR sensor systems. The aim of this study is to compare each of the vegetation indices by using Landsat-8 and Radarsat-2 satellite images with two different types of sensors. In this study, Radar Vegetation Index (RVI) and Normalized Difference Vegetation Index (NDVI) were investigated. For the calculation of the RVI index, the back-scattering coefficient of the four different bands (HH, HV, VH, VV) of the multi-time full-polarimetric Radarsat-2 FQ satellite image dated 8 April 2015 was used. In the calculation of NDVI index, Band 5 (Near Infrared) and Band 4 (Red) of the Landsat-8 satellite image of May 25, 2015 were used. Dicle University agricultural areas were chosen as the study area. 100 different GPS points belonging to this agricultural area were determined and RVI and NDVI values of these points were calculated. A good correlation was observed between RVI and NDVI indices with the aid of statistically approach.Öğe Dicle Nehri Havzasında Toprak Nem Ölçümleri ile Radar Imgeleri Arasındaki Iliskiyi Saptama ve Bu Iliskiye Dayalı Toprak Neminin Tahmini(2018) Acar, Emrullah; Üstündağ, Burak Berk; Özerdem, Mehmet Siraç; Ekinci, RemziUzaktan algılama teknolojisi; yeryüzündeki arazi kullanımlarının tespiti, arazilerdeki hızlı degisimlerin izlenmesi amacıyla anlık kayıtlarının alınması, dogal kaynakların saptanması gibi birçok alanda kullanılmaktadır. Günümüzde ve gelecekte uzaktan algılamaya ihtiyaç duyulacak alanlardan biri de artan nüfus ve tarımsal alanlara paralel olarak ileride yetersiz kalabilecek su kaynaklarının tarımsal arazilerde dogru bir sekilde kullanılmasını saglamaktır. Topraktaki su içerigi, topragın geri saçılma katsayısını önemli ölçüde etkilediginden, yersel toprak nemi ölçümleri ile uzaktan algılama verileri arasındaki iliskilendirilme toprak neminin kısa sürede tahmin edilmesini saglayabilmektedir. Ayrıca, elektromanyetik spektrumun mikrodalga bölgesinde faaliyet gösteren SAR sensörleri toprak içerigindeki nem degisimlerine karsı hassas olduklarından dolayı, bu sensörlerin toprak nemi tahmininde kullanımı daha uygundur. Dolayısıyla, bir SAR radarı olan Radarsat-2 toprak neminin tahmini için bu çalısmada kullanılmıstır. Bu projenin temel amacı, yersel nem ölçümleri ile Radarsat?2 verileri arasındaki iliskiyi belirlemek; çorak ve/veya bitki örtüsü kaplı tarım alanları üzerindeki toprak rutubetini belirlenen iliskiye dayanarak tahmin etmektir. Çalısma bes asamadan olusmaktadır. Ilk asamada; Radarsat-2 verileri farklı tarihlerde elde edilmis ve yersel toprak nem ölçümleri bu verilerin temini ile aynı anda gerçeklestirilmistir. Ikinci asamada; Radarsat?2 verileri önisleme tabi tutulmus ve her bir toprak numunesinin alındıgı noktaların GPS koordinatları bu verilere aktarılmıstır. Sonraki asamada; öznitelik çıkarma islemi için ön islemi tamamlanmıs Radarsat?2 verilerine standart sigma geri saçılma katsayıları ile Freeman-Durden ve H / A / ? polarimetrik ayrısma modelleri uygulanmıs; her örüntü için 10 geri saçılma katsayısına sahip bir öznitelik vektörü olusturulmustur. Dördüncü asamada, elde edilen özellik vektörlerinden bölgesel toprak nemini elde etmek için dogrusal olmayan bir makine ögrenme modeli: Genellestirilmis Regresyon Sinir Agı (GRNN) kullanılmıstır. Son asamada ise GRNN girislerinde kullanılan en uygun özelliklerin belirlenebilmesi için literatürde çok yeni bir yöntem olan Asırı Ögrenme Makineleri tabanlı özellik seçme yöntemi (ELM-FS) uygulanmıstır. Yapılan çalısmalar neticesinde, önerilen sistem ile çorak ve bitkisel tarım alanları üzerinde Cbantlı SAR verileri iyi sonuçlar vermistirÖğe Dicle nehri havzasında toprak nem ölçümleri ile SAR imgeleri arasındaki ilişkiyi saptama ve bu ilişkiye dayalı toprak neminin tahmini(2017) Acar, Emrullah; Özerdem, Mehmet SiraçUzaktan algılama teknolojisi; yeryüzündeki arazi kullanımlarının tespiti, arazilerdeki hızlı değişimlerin izlenmesi amacıyla anlık kayıtlarının alınması, doğal kaynakların saptanması gibi birçok alanda kullanılmaktadır. Günümüzde ve gelecekte uzaktan algılamaya ihtiyaç duyulacak alanlardan biri de artan nüfus ve tarımsal alanlara paralel olarak ileride yetersiz kalabilecek su kaynaklarının tarımsal arazilerde doğru bir şekilde kullanılmasını sağlamaktır. Topraktaki su içeriği, toprağın geri saçılma katsayısını önemli ölçüde etkilediğinden, yersel toprak nemi ölçümleri ile uzaktan algılama verileri arasındaki ilişkilendirilme toprak neminin kısa sürede tahmin edilmesini sağlayabilmektedir. Ayrıca, elektromanyetik spektrumun mikrodalga bölgesinde faaliyet gösteren SAR sensörleri toprak içeriğindeki nem değişimlerine karşı hassas olduklarından dolayı, bu sensörlerin toprak nemi tahmininde kullanımı daha uygundur. Dolayısıyla, bir SAR radarı olan Radarsat-2 toprak neminin tahmini için bu çalışmada kullanılmıştır.Bu tez çalışmasının temel amacı, yersel nem ölçümleri ile Radarsat–2 verileri arasındaki ilişkiyi belirlemek; çorak ve/veya bitki örtüsü kaplı tarım alanları üzerindeki toprak rutubetini belirlenen ilişkiye dayanarak tahmin etmektir. Çalışma dört aşamadan oluşmaktadır. İlk aşamada; Radarsat-2 verileri farklı tarihlerde elde edilmiş ve yersel toprak nem ölçümleri bu verilerin temini ile aynı anda gerçekleştirilmiştir. İkinci aşamada; Radarsat–2 verileri önişleme tabi tutulmuş ve her bir toprak numunesinin alındığı noktaların GPS koordinatları bu verilere aktarılmıştır. Sonraki aşamada; öznitelik çıkarma işlemi için ön işlemi tamamlanmış Radarsat–2 verilerine standart sigma geri saçılma katsayıları ile Freeman-Durden ve H / A / ? polarimetrik ayrışma modelleri uygulanmış; her örüntü için 10 geri saçılma katsayısına sahip bir öznitelik vektörü oluşturulmuştur. Son aşamada, elde edilen özellik vektörlerinden bölgesel toprak nemini elde etmek için doğrusal olmayan bir makine öğrenme modeli: Genelleştirilmiş Regresyon Sinir Ağı (GRNN) kullanılmıştır.Yapılan çalışmalar neticesinde, önerilen sistem ile çorak ve bitkisel tarım alanları üzerinde C- bantlı SAR verileri iyi sonuçlar vermiştir. Elde edilen bu sonuçlar, radarın toprak nem tahmini için güçlü bir uzaktan algılama aracı olduğunu ve veri setleri 1–3 üzerinde sırasıyla %2.31, % 2.11 ve %2.10; veri setleri 1&2, 2&3, 1&3 ve 1&2 &3 üzerinde ise sırasıyla %2.46, %2.70, %7.09 ve %5.70 ortalama mutlak hatalar verdiğini göstermiştir. Anahtar Kelimeler: Uzaktan Algılama, Toprak Nemi, Tahmin, Regresyon, Polarimetrik Ayrıştırma, Radarsat-2, Freeman- Durden, H / A / ?, GRNNÖğe The electricity price prediction of victoria city based on various regression algorithms(Institute of Electrical and Electronics Engineers Inc., 2022) Örenç, Sedat; Acar, Emrullah; Özerdem, Mehmet SiraçPrecise electricity price prediction is extremely important for all markets especially for families' life conditions because the more demand the more electricity price increases, therefore it is vital to keep the balance between demand and supply. It is crucial to know how much electricity is needed for the future as it has a remarkable impact on economic circumstances. This article proposes four productive methods in order to forecast high-precision results. In the regression algorithms, it is used several methods which are called decision tree regressions, random forest regression, gradient boosting regression, and linear regression algorithms. The dataset is divided into three parts. Training, validation, and test are split into %70, %10, and %20 respectively. The empirical and efficient results show that these methods can be used and reduce errors. The article demonstrates that a novel forecasting model can be designed for the future.Öğe An Iris Recognition System by Laws Texture Energy Measure Based k-NN Classifier(Ieee, 2013) Acar, Emrullah; Ozerdem, Mehmet SiracBiometric recognition technology is correlated generally with very expensive top secure applications. Iris recognition system is one of the effective biometric recognition systems. The main purpose of this study is to recognize the human from different eye images according to their iris texture characteristics. The digital crop images are derived from CASIA iris image database. The texture feature vectors are extracted from the local iris regions by using Laws Texture Energy Measure (TEM) which is a new method for image texture feature extraction. The obtained feature vectors are separated by k-Nearest Neighbor (k-NN) classifier as taking the neighbor number (k) parameter in different values and the performance results of each system are compared according to disparate k values. Finally, the best average performance is observed as 80.74 % in k=1 and 2 neighbors structure of k-NN classifier.Öğe Kızılltepe tarımsal alan i̇mgeleri̇ni̇n Gabor Dalgacık Dönüşümü i̇le sınıflandırılması(2012) Acar, Emrullah; Özerdem, Mehmet SiraçIn this research, images of Kiziltepe (Mardin) agricultural land are classified based on development in different period of crops (1-sowing term, 2-little ripe term, 3-ripe term and 4-harvest term). The digital crop images are derived from TARIT (Agricultural Crop Forecast and Following Project) stations. The texture feature vectors are obtained from images of different crop periods with using Gabor Wavelet Transform (GWT) which is very popular method for image texture extraction. GWT based feature vectors are applied to different type of classifiers as inputs and the performance results of each system are compared. For classification the crop images, Multilayer Perceptron (MLP) neural network and k-Nearest Neighbor (k- NN) methods are used. Finally, the best average performance is observed as 98.01 % in 24-35-4 network structure of MLP neural n© 2012 IEEE.Öğe Laws doku enerji ölçümü tabanlı k-NN sınıflandırıcı modeli ile iris tanıma sistemi(2013) Acar, Emrullah; Özerdem, Mehmet SiraçBiometric recognition technology is correlated generally with very expensive top secure applications. Iris recognition system is one of the effective biometric recognition systems. The main purpose of this study is to recognize the human from different eye images according to their iris texture characteristics. The digital crop images are derived from CASIA iris image database. The texture feature vectors are extracted from the local iris regions by using Laws Texture Energy Measure (TEM) which is a new method for image texture feature extraction. The obtained feature vectors are separated by k-Nearest Neighbor (k-NN) classifier as taking the neighbor number (k) parameter in different values and the performance results of each system are compared according to disparate k values. Finally, the best average performance is observed as 80.74 % in k=1 and 2 neighbors structure of k-NN classifier.Öğe Machine Learning based Regression Model for Prediction of Soil Surface Humidity over Moderately Vegetated Fields(Ieee, 2019) Acar, Emrullah; Ozerdem, Mehmet Sirac; Ustundag, Burak BerkThe soil surface humidity parameter over vegetated fields is of great importance for controlling water consumption; prevention of salinity caused by over-irrigation; efficient use of irrigation system and improving the yield and quality of the cultivated crop. However, determination of the soil surface humidity is very difficult on vegetated fields. In order to overcome this problem, polarimetric decomposition models and machine learning based regression model were implemented. The main purpose of this study is to predict soil surface humidity on moderately vegetated fields. Thus, the study is conducted in agricultural fields of Dicle University and it consists of several stages. In the first stage, a Radarsat-2 data was obtained in 3 March 2016 and the local humidity samples were measured simultaneously with the Radarsat-2 acquisition. In the second stage, 10 polarimetric features were obtained from each cell (2x2 pixels) of ground sample by utilizing standard intensity-phase technique as well as Freeman-Durden and H/A/alpha polarimetric decomposition models. This step is repeated for all ground samples and as a result, a dataset with 156x10 lengths is formed. In the next stage, Extreme Learning Machine based Regression (ELM-R) model was used for predicting the soil surface humidity with the aid of polarimetric SAR features. For the validation of the proposed system, leave-one-out cross-validation method was applied and finally, 2.19% Root Mean Square Error (RMSE) were computed.Öğe On a yearly basis prediction of soil water content utilizing sar data: A machine learning and feature selection approach(Turkiye Klinikleri, 2020) Acar, Emrullah; Özerdem, Mehmet SiraçSoil water content (SWC) performs an important role in many areas including agriculture, drought cases, usage of water resources, hydrology, crop diseases and aerology. However, the measurement of the SWC over large terrains with standard computational techniques is very hard. In order to overcome this situation, remote sensing tools are preferred, which can produce much more successful results in less time than standard calculation techniques. Among all remote sensing tools, synthetic aperture radar (SAR) has a significant impact on determining SWC over large terrains. The main objective of this study is to predict SWC on a yearly basis over the vegetation-covered terrains with the aid of different machine learning techniques and SAR based Radarsat-2 data, which obtained in 2015 and 2016 years.The proposed system consists of several stages, respectively. In the feature extraction stage, the backscatter coefficients of different polarizations and the parameters obtained from different models of decomposition (Freeman-Durden and H/A/α) were combined and nine polarimetric features were formed for each sample point. In the next stage, support vector regression (SVR), generalized regression neural network (GRNN) and adaptive neuro-fuzzy inference system (ANFIS) were employed for the prediction of SWC. In the last stage, a machine learning based feature selection was implemented to the obtained feature vectors for determining optimal feature sets. Finally, a feature set with 6 parameters was determined as most optimal feature set over the SWC prediction and a slightly better performance was observed thanks to this feature set compared to the other results.Öğe Saldırgan hareketlerine ilişkin EMG işaretlerinin AR tabanlı k-NN ile sınıflandırılması(IEEE Computer Society, 2014) Acar, Emrullah; Özerdem, Mehmet SiraçThe fields of EMG signal processing technology has been effective in the application of prosthetic control and clinical medicine or sport science. The main purpose of this study is to classify two aggressive action EMG signals which are taken from different people, according to their texture feature vectors. The physical action EMG set is derived from UCI database. The power spectral density (PSD) estimation of EMG signals is calculated by using AR Burg Method. The texture feature vectors of EMG signals are extracted by applying statistical methods to PSD maps of each signal. PSD based feature vectors are given to different type of k-NN classifier as inputs and the performance results of each system are compared. Finally, the best average performance is observed as 97.92 % in k=7, 9 and 10 neighbors structure of k-NN classifier.Öğe Soil moisture estimation over vegetated agricultural areas: Tigris Basin, Turkey from Radarsat-2 data by polarimetric decomposition models and a generalized regression neural network(MDPI, 2017) Özerdem, Mehmet Siraç; Acar, Emrullah; Ekinci, RemziDetermining the soil moisture in agricultural fields is a significant parameter to use irrigation systems efficiently. In contrast to standard soil moisture measurements, good results might be acquired in a shorter time over large areas by remote sensing tools. In order to estimate the soil moisture over vegetated agricultural areas, a relationship between Radarsat-2 data and measured ground soil moistures was established by polarimetric decomposition models and a generalized regression neural network (GRNN). The experiments were executed over two agricultural sites on the Tigris Basin, Turkey. The study consists of four phases. In the first stage, Radarsat-2 data were acquired on different dates and in situ measurements were implemented simultaneously. In the second phase, the Radarsat-2 data were pre-processed and the GPS coordinates of the soil sample points were imported to this data. Then the standard sigma backscattering coefficients with the Freeman–Durden and H/A/α polarimetric decomposition models were employed for feature extraction and a feature vector with four sigma backscattering coefficients (σhh, σhv, σvh, and σvv) and six polarimetric decomposition parameters (entropy, anisotropy, alpha angle, volume scattering, odd bounce, and double bounce) were generated for each pattern. In the last stage, GRNN was used to estimate the regional soil moisture with the aid of feature vectors. The results indicated that radar is a strong remote sensing tool for soil moisture estimation, with mean absolute errors around 2.31 vol %, 2.11 vol %, and 2.10 vol % for Datasets 1–3, respectively; and 2.46 vol %, 2.70 vol %, 7.09 vol %, and 5.70 vol % on Datasets 1 & 2, 2 & 3, 1 & 3, and 1 & 2 & 3, respectively.Öğe Soil moisture inversion via semiempirical and machine learning methods with full-polarization radarsat-2 and polarimetric target decomposition data: A comparative study(Institute of Electrical and Electronics Engineers Inc., 2020) Acar, Hüseyin; Özerdem, Mehmet Siraç; Acar, EmrullahIn this article, surface soil moisture was retrieved from Radarsat-2 and polarimetric target decomposition data by using semiempirical models and machine learning methods. The semiempirical models and machine learning techniques employed were Oh (1992), Dubois (1995), Oh (2004) and Generalized Regression Neural Network (GRNN), Least Squares - Support Vector Machine (LS-SVM), Extreme Learning Machine (ELM), Kernel based Extreme Learning Machine (KELM), Adaptive Network based Fuzzy Inference System (ANFIS), respectively. In addition, Yamaguchi, van Zyl, Freeman-Durden, H/A/a and Cloude polarimetric target decomposition methods were used in this study. For soil moisture inversion, firstly, preprocessing was applied to the Radarsat-2 image of two different dates with bare and moderately vegetated soil. Then, sigma nought coefficients and the polarimetric decomposition components were extracted as feature vector from preprocessed SAR image pixels corresponding to ground measured points. Lastly, sigma nought coefficients were used in semiempirical inversion models, and sigma nought coefficients and polarimetric decomposition components were used as input to machine learning methods. The best accuracy results for semiempirical models were 13.01 vol. % and 17.91 vol. % Root Mean Square Error (RMSE) for bare and moderately vegetated soil, respectively. The best accuracy for machine learning techniques were 4.04 vol. % and 2.72 vol. % RMSE for two dates, respectively. The results indicated that the machine learning techniques performed much better than the semiempirical models.Öğe The Texture Feature Extraction of Mardin Agricultural Field Images by HOG Algorithms and Soil Moisture Estimation based on the Image Textures(Ieee, 2015) Acar, Emrullah; Ozerdem, Mehmet SiracKnowing the soil surface moisture values of agricultural land will allow to determine disease risks in the soils and wet and dry farming. The main purpose of this study is that determining a relationship between measurements of local soil moisture and images in agricultural Mardin region and prediction of soil moisture with the determined relationship. The images are derived from TARBIL (http://www.tarbil.org) database. The texture feature vectors are extracted from the images by using Histogram of Oriented Gradients (HOG) algorithm. The obtained feature vectors are then classified into three (much, middle and little) groups by using k-Nearest Neighbor (k-NN) and Multilayer Perceptron (MLP) classifiers. Finally, the best average performance is observed as 92.73 %.Öğe Toprak nemi tahmini için Radarsat-2 verisinden çoklu saçılma katsayılarının elde edilmesi(Dicle Üniversitesi Mühendislik Fakültesi, 2017) Özerdem, Mehmet Siraç; Acar, EmrullahUzaktan algılama teknikleri ile tarımsal alanların kontrolü, GPS (Küresel Konumlama Sistemi) teknolojisiyle beraber kullanıldığında, standart toprak ölçümlerine nazaran daha az bir maliyet ve zamanla, daha iyi sonuçlar vermektedir. Bu çalışmada, uzaktan algılama teknikleri ile toprak karakteristikleri (toprak nemi, dielektrik katsayısı gibi) arasında bir ilişkinin kurulabilmesi için Radarsat–2 verisinden çoklu saçılma katsayılarının çıkarılması amaçlanmıştır. Çalışma, Dicle havzasında yer alan Dicle Üniversitesi kampüsündeki tarımsal alanlar üzerinde gerçekleştirilmiş ve Radarsat–2 verisinden saçılma katsayılarının hesaplanması işlemi, birkaç aşamadan oluşmuştur. İlk aşamada, uydunun bölgeden geçiş dönemi dikkate alınarak yoğun vejetasyonlu tarımsal arazilerden 8 Nisan 2015 tarihinde bir Radarsat–2 verisi elde edilmiş ve bu araziler üzerinde eş zamanlı olarak yersel ölçümler yapılmıştır. İkinci aşamada, Radarsat–2 verilerinin bozukluklardan arındırılması için çeşitli ön işlemler uygulanmış ve arazilerin gerçek bir harita koordinat sistemi üzerine oturtulması için de arazi düzeltme işlemi sağlanmıştır. Daha sonra her bir yersel toprak nem ölçümünün alındığı noktaların GPS koordinatları bu veriye aktarılmıştır. Son aşamada ise yoğun bitki örtüsünün hâkim olduğu çalışma alanlarına ait çoklu saçılma katsayılarını hesaplamak için önişlemi tamamlanmış 8 Nisan 2015 tarihli Radarsat–2 verisine standart sar geri saçılma tekniği uygulanmış ve her bir ölçüm noktasına karşılık gelen parsellerden dört adet sigma geri saçılma parametresi (σhh, σhv, σvh, σvv) hesaplanmıştır. Ardından, bu katsayılar bütün ölçüm noktaları için hesaplanarak bu döneme ait bir veri matrisi oluşturulmuşturÖğe Utilizing the ensemble of deep learning approaches to identify monkeypox disease(Dicle Üniversitesi Mühendislik Fakültesi, 2022) Örenç, Sedat; Acar, Emrullah; Özerdem, Mehmet SiraçRecently, the monkeypox disease spreads to many countries rapidly and it becomes a serious health problem. There are several symptoms that decrease the quality of the life. These symptoms must be overcome to detect monkeypox disease in earlier stages. Therefore, it is crucial to decrease the spread rate with the quick determination of the disease. In this study, it is aimed to identify monkeypox disease from images datasets obtained from Kaggle by using Convolutional Neural Network models. These models are named EfficientNetB3, ResNet50, and InceptionV3 respectively. According to the results of the three models, resNet50 is the best model when they compare aspects of performance. The accuracy of resNet50 is %94,00 therefore it has highest accuracy value. There are four parameters to evaluate the performance of the models. They are called as precision, recall, F1-score, and accuracy. These models demonstrate that monkeypox can be classified with high precision. Therefore these models can be used for the future of the work.Öğe Yapay zeka yöntemleriyle bitki yaprak imgelerinde pas hastalıklarının tespiti(2015) Acar, EmrullahBitkilerdeki hastalıklar hasadı ve dolayısıyla verimi etkilemektedir. Hastalıkların önceden kestirilmesi, çiftçilerin alacağı önlemler ile verimi artıracaktır. Verimi etkileyen önemli hastalıkların başında pas hastalığı gelmektedir. Bu çalışmada bitki örneği olarak zambak çiçeği yaprak imgeleri, zirai uygulamalarla ilgili farklı zirai sitelerden bir uzman yardımıyla elde edilmiş, GLCM ve GWT tabanlı farklı sınıflandırıcı teknikleri kullanılarak yaprağında oluşan değişimin pas hastalığı olup olmadığını kestiren bir sistem tasarlanmıştır. İlk aşamada, imgelere ilişkin gri seviyeli eş-oluşum matrisleri elde edilip matrislerin kontrast, korelasyon, enerji, homojenlik ve entropi değerleri hesaplanmıştır. İki boyutlu imgelere ilişkin matrislerden hesaplanan ortalama ve standart sapma değerleri öznitelik vektörüne eklenerek, her imge için toplamda 7 parametre içeren öznitelik vektörü oluşturulmuştur. İkinci aşamada, Gabor dalgacık dönüşümü kullanılarak her bir imgeden ayrı bir özellik matrisi elde edilip, matrislerin ortalama, standart sapma ve entropi değerleri hesaplanmıştır. Bu değerler ayrı bir öznitelik vektörüne eklenerek, her imge için 3 parametre içeren yeni bir öznitelik vektörü oluşturulmuştur. Son aşamada, GLCM ve GWT tabanlı öznitelik vektörleri ayrı ayrı sınıflandırıcıların girişlerine verilerek performansı en iyi sistem belirlenmeye çalışılmıştır. Bu sistemlerde sınıflandırıcı olarak Çok Katmanlı Algılayıcı, k-En Yakın Komşu (k-NN) ve en küçük kareler Destek Vektör Makineleri (LS-SVM) yöntemleri kullanılmıştır. Zambak çiçeği yaprak imgeleri, 32 sağlıklı imge ve 21 hastalıklı imge olmak üzere toplam 53 imge verisinden oluşup, iki (1-sağlıklı, 2- hastalıklı) grupta sınıflandırılmıştır. Sınıflandırma çalışmaları sonucunda, en iyi performansa %88,9 başarı ile GLCM tabanlı k-NN ve çok katmanlı yapay sinir ağının (7-5-1) ulaştığı gözlemlenmiştir. Bulduğumuz sonuçlar bu yöntemin pas hastalığını tespit etmede doğru ve etkili çalıştığını göstermektedir.Öğe Zambak yaprağı imgelerinde pas hastalıklarının GLCM tabanlı sınıflandırma yöntemleri ile tespiti(Dicle Üniversitesi Mühendislik Fakültesi, 2011) Özerdem, Mehmet Siraç; Acar, EmrullahBitkilerdeki hastalıklar, hasadı ve dolayısıyla verimi etkilemektedir. Hastalıkların önceden tespiti, çiftçilerin alacağı önlemler ile verimi artıracaktır. Verimi etkileyen önemli hastalıkların başında pas hastalığı gelmektedir. Bu çalışmada bitki örneği olarak zambak çiçeğine ilişkin yaprak imgeleri kullanılarak, bitkide pas hastalığının tespiti amaçlanmıştır. Çalışmada kullanılan imgeler, zirai uygulamalarla ilgili farklı zirai veri tabanlarından bir uzman yardımıyla elde edilmiştir. Bu çalışmada, GLCM tabanlı farklı sınıflandırıcı teknikleri kullanılarak, zambak yaprağında oluşan değişimin pas hastalığı olup olmadığını tespit eden bir sistem tasarlanmıştır. Zambak yaprağına ilişkin imgelerin gri seviyeli eş-oluşum (GLCM) matrisleri elde edilip, matrislerin kontrast, korelasyon, enerji, homojenlik ve entropi değerleri hesaplanmıştır. İki boyutlu imgelere ilişkin matrislerden hesaplanan ortalama ve standart sapma değerleri öznitelik vektörüne eklenerek, her imge için toplamda 7 parametre içeren öznitelik vektörü oluşturulmuştur. Elde edilen öznitelik vektörleri sınıflandırıcılar için giriş eğitim kümesi olarak kullanılmış ve test kümesi ile performansı en iyi olan sistem belirlenmeye çalışılmıştır. Bu sistemlerde sınıflandırıcı olarak Çok Katmanlı Algılayıcı, k-En Yakın Komşu (k-NN) ve en küçük kareler Destek Vektör Makinesi (LS-SVM) yöntemleri kullanılmıştır. Zambak çiçeği yaprak imgeleri, 32 sağlıklı (normal) imge ve 21 hastalıklı imge olmak üzere toplam 53 örnekten oluşur ve iki (1-Normal, 2-Hastalıklı) grupta sınıflandırılmıştır. Hastalığın tespiti amacıyla yapılan sınıflandırma çalışmaları sonucunda, en iyi performansa %88.9 başarı ile GLCM tabanlı k-NN ve çok katmanlı yapay sinir ağının (7-5-1) ulaştığı gözlemlenmiştir. Elde edilen sonuçlar önerilen yöntemin pas hastalığını tespit etmede doğru ve etkili çalıştığını göstermiştir.
